结合联合学习和旅行模式,可以提高绩效,并为数字健康公平提供机会

科学领域:

• 人工智能的人工智能
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 联合学习 (FL) 和移动模型 (TM) 允许保护隐私的多站点模型培训,而无需直接共享数据.
• 站点之间的分布转移对FL和TM方法构成重大挑战.
• 现有的方法难以在各种医疗数据集中平衡性能和公平性.

研究的目的:

• 引入FedTM,这是一个结合FL和TM的新型混合框架,以应对多站点医疗数据分析中的分布转移.
• 为了提高性能和减少帕金森病分类中的错误分类差异.
• 优化培训效率和降低计算负载,特别是对于数据有限的网站.

主要方法:

• 在更大的数据集上,FedTM采用了初始FL升温阶段,随后在所有参与站点进行了连续的TM改进.
• 该框架使用来自83个国际帕金森病分类站点的1817个脑部扫描来评估.
• 关键指标包括接收器运行特征曲线下的面积 (AUROC),错误分类差异和通信成本与标准FL和TM进行了比较.

主要成果:

• 与基线方法相比,FedTM的AUROC从77±0.01%提高到82±0.01%.
• 错误分类差异在FedTM框架下从34±0.01%减少到26±0.01%.
• 较小场地的培训负载从22个周期下降到12个周期,这表明效率提高.

结论:

• FedTM有效地结合了FL和TM,以克服在多个地点的医疗AI中面临的分配转移挑战.
• 拟议的混合方法显著提高了分类性能,并促进了医疗保健公平.
• 在全球卫生应用中,FedTM代表了对负责任的人工智能开发的重大进展.